Está en la página 1de 47

DEPARTAMENTO DE TRANSPORTE

PLANEAMIENTO DEL TRANSPORTE












DEMANDA DE TRANSPORTE DIRIGIDA A REDES

- Generación de Viajes
- Distribución de Viajes
- División Modal




Guía de estudio preparada por el Profesor Adjunto Ing. Luis M. Girardotti



















Facultad de Ingeniería UBA
Marzo de 2001

1
GENERACIÓN DE VIAJES

I LA ETAPA DE GENERACIÓN DE VIAJES EN EL PROCESO DE
PLANEAMIENTO DEL TRANSPORTE URBANO

Generación de viajes
1
, definición: proceso mediante el cual se cuantifican los viajes
realizados por las personas que residen o desarrollan
actividad en una determinada área urbana, o por
vehículos relacionados con dicha área.

En este trabajo los viajes se referirán a movimientos de personas.

La generación de viajes es función de:

1. El uso del suelo. Existe una estrecha relación entre la generación de viajes y la
manera en que el suelo es utilizado, incluyendo la ubicación e intensidad de uso.
2. Las características socioeconómicas de la población del área.
3. Tipo, disponibilidad y calidad de las facilidades de transporte disponibles en el área.

Estas relaciones funcionales se utilizan en el proceso de planeamiento del transporte con el
objeto de obtener información cuantitativa sobre la demanda de transporte.

La generación de viajes constituye una de las etapas del proceso de planeamiento del
transporte, cuyas cuatro fases principales son las siguientes: (1) inventarios; (2) análisis de
las condiciones existentes y calibración de las herramientas de representación
2
; (3)
proyección al futuro de las variables significativas, (4) análisis de sistemas de transporte
futuros y (5) monitoreo, seguimiento y revisión del plan. Ver Figura N° 1.

La secuencia anterior también puede ser puesta de la siguiente manera, incluyendo la
pregunta que cada una de las etapas intenta responder:

1. Estudio de la población, la economía del área y las actividades que se
desarrollan. ¿Cuál será la magnitud de esas actividades?

2. Estudio del uso del suelo. ¿Dónde estarán localizadas esas actividades?

3. Etapa de generación de viajes. ¿Cuántos viajes generarán esas
actividades?

4. Etapa de distribución de viajes. ¿Hacia donde se dirigirán esos viajes?


1
Viaje: movimiento en un sentido desde un punto de origen a un punto de destino. Estos puntos se denominan
extremos del viaje. El viaje se refiere a una persona o a un vehículo.
2
Verbigracia modelos. En todo el proceso de determinación de la demanda de transporte dirigida a redes se
utilizarán modelos. La definición genérica de modelo es la siguiente: representación parcial y aproximada de
la realidad.
2
5. Etapa de división modal. ¿Qué modo de transporte utilizarán esos viajes?

6. Etapa de asignación de viajes. ¿Qué itinerario seguirán esos viajes?

7. Análisis de sistemas y evaluación. Plan de transporte. ¿Cuál es el mejor
sistema de transporte?

8. Monitoreo, revisión y seguimiento del plan. ¿Puede mejorarse el plan?


II FUNDAMENTOS DE LA GENERACIÓN DE VIAJES

El objetivo de la etapa de generación de viajes es el de obtener una adecuada identificación
y cuantificación de los viajes que tienen como extremo las distintas zonas en que fue
dividida el área en estudio.

Los volúmenes de viajes generados son en general muy difíciles de determinar y proyectar
directamente. Cierta información que caracteriza a las zonas puede ser más fácil y
eficientemente proyectada que los mismos extremos de viaje y constituyen lo que se
denominan variables explicativas, pues explican la generación de viajes. Esta información
se refiere al uso del suelo, a las características socioeconómicas de las zonas del área en
estudio y a las características del sistema de transporte. Los modelos de generación viajes
están formados por relaciones funcionales entre los viajes generados y las variables
explicativas, de manera que conociendo el valor de las variables explicativas en un
horizonte futuro se puede estimar aceptablemente la demanda futura de viajes.

Los viajes pueden ser caracterizados por dos atributos que deberán ser tenidos en cuenta
durante el proceso de su estudio. Estos atributos son: propósito y horario.

El propósito de viaje está compuesto por dos elementos: base y motivo. Como base se
entiende el lugar en que comienza o termina un viaje distinguiendo entre basados en el
hogar y no basados en el hogar, siendo los basados en el hogar los que tienen uno de sus
extremos en el hogar del individuo que viaja. Los no basados en el hogar son los que en
ninguno de sus extremos se encuentra el hogar. Como motivo se consideran los siguientes:
trabajo, compras, estudio y otros motivos. De acuerdo a la práctica habitual los
propósitos de viaje considerados son los siguientes:

• Basados en Hogar-Trabajo (BHT).
• Basados en Hogar-Estudio (BHE).
• Basados en Hogar-Compras (BHC).
• Basados en Hogar-Otros motivos (BHO), y
• No Basados en el Hogar (NBH).

Los cinco propósitos enumerados no necesariamente deberán ser tenidos en cuenta en su
totalidad, en algunos casos puede ser suficiente considerar 4 propósitos (BHT, BHE o
BHC, BHO y NBH) y hasta 3 (BHT, BHO y NBH) según el tamaño y las características del
3
área en estudio. Los BHT y NBH deberán estar siempre presentes mientras que los BHE,
BHC y BHO pueden mantenerse separados o combinarse según su importancia relativa.
Para cada uno de los propósitos considerados se deberá desarrollar un modelo de
generación que cuantifique los viajes generados con ese propósito.

El restante atributo es el horario en que se realiza el viaje. Se consideran viajes en hora
pico (matutino y vespertino) y viajes diarios (total en el día sin considerar la hora en que se
realizan). Los modelos de generación pueden estar construidos para estimar viajes en hora
pico o viajes diarios. Este último caso es el más común, ya que a partir de los viajes diarios
y mediante factores horarios se pueden calcular los volúmenes en cualquier hora del día.

La generación de viajes puede dividirse en dos pasos: i) determinación del número de viajes
originados en cada zona (producciones) y ii) determinación del número de viajes destinado
a cada zona (atracciones).

Para toda el área en estudio el número de producciones deberá ser obligatoriamente igual al
de atracciones, aunque no necesariamente para cada una de las zonas en particular. Esto se
debe a que por definición los viajes basados en el hogar (BH_) siempre son producidos por
la zona que contiene al hogar y atraídos por la zona del otro extremo, en cualquier sentido
que se realice el viaje. Los viajes no basados en el hogar (NBH) son producidos por la zona
origen y atraídos por la zona destino.

Por lo anterior en las zonas que son principalmente residenciales las producciones serán
mayores que las atracciones, mientras que en las zonas que son mayoritariamente
comerciales, industriales o educacionales las atracciones serán mayores que las
producciones.

Esta división en viajes de producción y atracción es relevante cuando se utiliza un modelo
gravitatorio para la etapa de distribución, no así para los otros métodos de distribución, en
los que solamente se considera el origen y el destino de los viajes.

Variables que explican la generación de viajes

Uso del suelo

El uso del suelo puede ser determinado y pronosticado con facilidad y aceptable precisión.
Dentro de esta variable se pueden distinguir tres atributos que influyen en la generación de
viajes, esos atributos son: tipo, intensidad y ubicación.

Los diferentes tipos de usos del suelo tienen diferentes características de generación y por
ello es importante distinguirlos. La clasificación de tipos de usos del suelo más habitual
suele ser: residencial, comercial, industrial, educacional y de esparcimiento. El uso del
suelo residencial produce más viajes que los otros usos, mientras que los restantes usos son,
en general, mayores atractores de viajes que productores.

La intensidad del uso del suelo expresa el nivel de actividad que caracteriza una
determinada zona y usualmente se expresa en términos de cantidad o de densidad tal como
4
número total de viviendas en la zona o empleos por unidad de superficie. La intensidad de
uso del suelo tiene una marcada influencia en el número y tipo de viajes que genera una
determinada zona. En general, a menor densidad habitacional mayor número de viajes
generados por persona. Lo mismo sucede con la distribución por modo en que se realizan
los viajes, las zonas de menor densidad de hogares producen mayor cantidad de viajes en
automóvil por vivienda.

La ubicación de las actividades se refiere a la distribución espacial de los usos del suelo y
de las actividades dentro del área en estudio. Las modalidades de viaje de habitantes de un
barrio de alta densidad pero rodeado por zonas de baja densidad y alejado del centro de una
urbe son distintas a las que tendría si ese mismo barrio estuviera próximo al centro.

El cuadro que sigue resume lo expresado más arriba.

TIPO DE USO
DEL SUELO
TIPO DE ACTIVIDAD MEDIDA DE LA INTENSIDAD
Residencial - Residencial.


- Superficie de suelo
residencial
- Unidades habitacionales.
- Unidades hab. por unidad
de superficie.
- Densidad de población.
- Población total.
Industrial
Comercial
- Industria manufacturera.
- Servicios.
- Comercio mayorista.
- Comercio minorista.
- Oficinas.
- Empleos totales.
- Empleos clasificados por
tipo.
- Empleos por unidad de
superficie.
- Area de suelo ocupada.


Educación - Universidad.
- Secundario.
- Primario.
- Matrículas


Esparcimiento - A determinar. - Nro. de elementos
apropiados (capacidad,
butacas, amarras, etc.).


Características socioeconómicas

Las características socioeconómicas que influyen en la generación de viajes se refieren a
los hogares y son las siguientes: ingreso familiar, tamaño del hogar, posesión de automóvil,
tipo de vivienda y actividad de los integrantes del hogar.

5
Ingreso familiar. Esta característica es una de las más importantes en la determinación de la
cantidad de viajes por hogar o por individuo y la modalidad de los mismos. A mayor
ingreso mayor número de viajes por unidad de tiempo y mayor cantidad de viajes en
automóvil.

El tamaño familiar (número de integrantes del hogar) también influye positivamente en la
generación de viajes. En otras palabras la frecuencia de viajes por hogar aumenta con el
tamaño del mismo.

La posesión de automóvil está directamente relacionada con el nivel de ingreso familiar y
con el tamaño del hogar. En general una familia de menor grado de motorización genera
menor frecuencia de viajes.

La generación de viajes varía según el tipo de vivienda. Las viviendas unifamiliares en
terrenos únicos generan más viajes por integrante que las viviendas unifamiliares en
terrenos compartidos y éstas a su vez generan más viajes que las viviendas en edificios de
departamentos. Esta variable no es habitualmente utilizada en estudios a nivel de áreas
urbanas sino para la determinación de la generación de viajes de desarrollos urbanos
específicos, tales como grandes edificios, barrios cerrados, etc.

La actividad de los residentes influye en la generación de viajes. La principal influencia la
tiene la ocupación del jefe de familia, ya que determina el nivel de ingreso del grupo
familiar. A mayor número de personas ocupadas por hogar mayor cantidad de viajes
generados.

Sistema de transporte

El tipo, disponibilidad y calidad de las facilidades de transporte disponibles en el área
determina la variable denominada accesibilidad. A mayor accesibilidad mayor cantidad de
viajes realizados. La accesibilidad se define de la siguiente manera:

( )

=
× =
n
j
ij j i
F A ACC
1

Siendo:
ACC
i
= accesibilidad de la zona i.
A
j
= viajes atraídos por la zona j. Se adoptan las atracciones como ponderación de la
importancia relativa de cada zona.
F
ij
= factor de impedancia entre la zona i y la zona j, a mayor factor mayor accesibilidad.
n = número de zonas.






6
III METODOS DE GENERACIÓN DE VIAJES

Método de la tasa de generación

Este método se basa en la relación que se observa entre la generación de viajes, detectada
en las encuestas de origen y destino, con la información obtenida de los relevamientos de
uso del suelo.

Para cada una de las zonas del área en estudio se determinan las superficies abarcadas por
cada tipo de uso del suelo y se cuantifican los extremos de viajes que les corresponden
(cantidad de viajes originados y destinados a la zona). El siguiente cuadro ilustra el
procedimiento:

Zona i
Tipo de uso del
suelo
Relevamiento de
uso del suelo
Ha.
Censo O-D
(extremos de viaje)
Tasa de Generación
(viajes / ha.)
Residencial 500 4.000 8
Industrial 100 3.000 30
Comercial 50 2.000 40

Las tasas son de producción y atracción de viajes por lo que este método abarca ambos
pasos del proceso.

La estimación de la generación futura se realiza determinando la evolución de las áreas para
cada tipo de uso del suelo. De esa manera, si se estima que el área residencial crecerá a
1.000 Ha., la generación futura de viajes de la zona causada por el uso del suelo residencial
será de 8.000 viajes (1.000 Ha. x 8 viajes / ha.). De la misma forma se procede con los
restantes usos del suelo.

La simpleza de este método hace que sea rápido y económico de aplicar pero no tiene en
cuenta otras variables explicativas tales como el ingreso, el tamaño del hogar y la
motorización, lo que lo hace poco preciso. Su utilidad está en la actualización a bajo costo
de estudios anteriores.

Método del Factor de Crecimiento

Este es también un método expeditivo y poco preciso y es generalmente utilizado en la
actualización y proyección de viajes estimados de estudios anteriores. La expresión básica
de este modelo es la siguiente:

i i i
t F T ⋅ =
Donde:
T
i
= viajes futuros de la zona i.
t
i
= viajes actuales de la zona i.
F
i
= factor de crecimiento.
7
El factor de crecimiento habitualmente se lo determina a partir de la evolución estimada de
las variables socioeconómicas que explican los viajes. Una expresión del factor de
crecimiento puede ser la siguiente:

0 0 0
i i i
n
i
n
i
N
I
I
M I P
M I P
F
⋅ ⋅
⋅ ⋅
=

Siendo P
i
la población, I
i
el ingreso promedio familiar y M
i
la motorización (autos/hogar)
de la zona i. El superíndice 0 corresponde al año base y el superíndice n al año futuro.

Este método se aplica a tablas de viajes anteriores que deben ser actualizadas. No se
considera la división entre producción y atracción. Los viajes generados por este método
son luego distribuidos por algún proceso basado en el factor de crecimiento
3
.

Método de Regresión Lineal Múltiple

El método de regresión lineal múltiple es un procedimiento estadístico en el que se
establece una relación lineal entre una variable dependiente y varias variables
independientes o explicativas, de acuerdo a la siguiente expresión:

n n
X b X b X b k T ⋅ + + ⋅ + ⋅ + = ...
2 2 1 1


Donde T es la variable dependiente (en este caso los viajes producidos o atraídos por una
zona), X
1
a X
n
son las variables independientes, b
1
a b
n
son los coeficientes de la regresión
lineal y k es el término independiente que representa la parte de la variable dependiente no
explicada por las variables independientes.

Los parámetros de la ecuación de regresión, es decir los coeficientes de regresión y el
término independiente, se determinan mediante software estadístico. Además de los
parámetros mencionados se debe conocer también el grado de ajuste de la ecuación de
regresión con respecto a los datos. Este grado de ajuste se mide a través de los siguientes
indicadores estadísticos:

• R
2
(coeficiente de determinación), cumpliéndose que 0 ≤ R
2
≤ 1. Este indicador
representa la proporción en que las variables independientes explican la variabilidad
de la variable dependiente. Cuanto más próximo a la unidad mayor grado de ajuste.
• Error estándar de la estimación:

( )
m N
T T
S
i
est i
T


=

2

Donde:
T
i
= valores observados de la variable dependiente (viajes zonales).
T
est
= valores de T
i
calculados mediante la ecuación de regresión.

3
Ver capítulo referido a distribución de viajes.
8
N = número de casos.
m = número de parámetros estimados de la ecuación de regresión (coeficientes y
término independiente).
El error estándar de la estimación (S
T
) debe ser lo más pequeño posible.

Los valores obtenidos de los parámetros de la ecuación de regresión (b
1
a b
n
) también
deben ser sometidos a tests de hipótesis a través del estadístico t:
bj
j
S
b
t =
Siendo S
bj
el desvío estándar del coeficiente. Para que el valor del coeficiente b
j
sea
significativo, es decir que la variable X
j
tenga importancia en la explicación, se debe
cumplir que t sea mayor que 2
4
, de otro modo es conveniente eliminar la variable de la
ecuación.

En rigor el término independiente k debería ser cero, ya que representa la porción de los
viajes que no dependen de ninguna variable explicativa. Si este valor es grande con
respecto al valor medio de T la ecuación debería ser descartada, por el contrario si el valor
de k es pequeño se puede re-estimar la función obligándola a pasar por el origen.

Las variables independientes a considerar deberán ser seleccionadas de acuerdo con su
disponibilidad y facilidad de proyección. En general son variables que representan las
características socioeconómicas de cada zona, tales como:

Producción y atracción de viajes basados en el hogar:

Población
Población mayor de 5 años
Número de hogares
Número de personas empleadas
Número de automóviles
Población estudiantil
Area de suelo residencial
Distancia al distrito central

Producción y atracción de viajes no basados en el hogar:

Empleos industriales
Empleos en servicios
Empleos en comercio minorista
Empleos públicos
Otros empleos
Empleos totales
Matricula estudiantil

4
En rigor se debe determinar el valor de t en cada caso para los grados de libertad del problema y el nivel de
confianza adoptado. Estos valores son próximos a 2 para un nivel de confianza de 95%.
9
Area de suelo industrial
Area de suelo de servicios
Area de suelo comercio minorista
Número de hogares

Estas variables pueden ser totales (habitantes, automóviles, empleados, etc.) o tasas
(habitantes por hogar, autos por hogar, etc.). En ambos casos, si el divisor es el mismo para
todas las variables, los coeficientes de la función serán idénticos, aunque existen algunas
diferencias que tienen explicación estadística
5
.

Los modelos de regresión lineal se pueden plantear, además de por propósito, también por
modo de transporte, privado (auto) o público, por lo que se realiza simultáneamente la etapa
de división modal, no explicada en este trabajo.

Método de Clasificación Cruzada o Análisis de Categorías

a) Producciones

El método de clasificación cruzada, para la determinación de la producción de viajes, se
basa en la estratificación de n variables independientes en dos o más grupos, creando una
matriz n-dimensional conteniendo los valores de la variable dependiente, en este caso las
tasas de producción de viajes por propósito y por hogar.

Los valores de la variable dependiente son los promedios calculados a partir de los datos
aportados por la encuesta domiciliaria de O-D.

Lasa variables independientes se eligen de manera de minimizar las desviaciones estándar
de las tasas calculadas.

Las variables independientes habitualmente utilizadas son: i) tamaño del hogar; ii) tenencia
de automóvil; iii) ingreso familiar; y iv) grado de accesibilidad. En el caso del EPTRM
6
las
variables fueron i) nivel socioeconómico; ii) tenencia de automóvil; y iii) grado de
accesibilidad.

El procedimiento seguido es el siguiente:

1. Se clasifican los hogares encuestados según la estratificación seleccionada, por
ejemplo por estrato socioeconómico y tamaño familiar y se construye una matriz
como la que sigue:





5
La utilización de tasas o promedios zonales reduce la denominada heterocedasticidad, o variabilidad de la
varianza, debida al efecto producido por el diferente tamaño de las zonas.
6
Estudio Preliminar de Transporte del Area Metropolitana de Buenos Aires, 1973.
10
NSE del hogar Tamaño familiar
1 2 3
1
2 NH
ij
N° de hogares con
NSE=2 y tamaño=2

3
4
5 ó más

En cada una de las celdas se coloca el número de hogares correspondiente.

2. Se determinan los viajes encuestados de acuerdo a la misma estratificación anterior
y además por propósito de viaje:


NSE del hogar
1 2 3
Tamaño
del
hogar
BHT BHE BHO NBH BHT BHE BHO NBH BHT BHE BHO NBH
1
2 V
ijk
N° de
viajes

3
4
5 ó más

En cada celda se contabilizan los viajes correspondientes.

3. Se construye una matriz como la que sigue:

NSE del hogar
1 2 3
Tamaño
del
hogar
BHT BHE BHO NBH BHT BHE BHO NBH BHT BHE BHO NBH
1
2 t
ijk

3
4
5 ó más

En cada celda se calcula la tasa de producción:

ij
ijk
ijk
NH
V
t =
11
Donde:

t
ijk
= tasa de producción de viajes de hogares de nivel socioeconómico i, tamaño j y con
propósito k.
V
ijk
= número de viajes de hogares de nivel socioeconómico i, tamaño j y con propósito k.
NH
ij
= número de hogares de nivel socioeconómico i y tamaño j.

Este método supone que las tasas de producción de viajes, determinadas para cada una de
las categorías definidas por los estratos de las variables independientes, permanecen
invariables en el tiempo.

Las tasas de producción por nivel de accesibilidad y estrato socioeconómico por todo
propósito utilizadas en el EPTRM son las siguientes:

Estrato Socioeconómico
Alto Medio Bajo
Nivel de
Accesibilidad
(1)
C/Auto S/Auto C/Auto S/Auto C/Auto S/Auto
Total
I 13,55 8,95 8,93 5,75 8,09 3,82 5,69
II 12,45 8,55 9,02 5,51 6,81 4,63 7,25
III 11,84 5,32 7,08 6,05 5,41 4,14 5,47
IV 8,75 5,21 6,88 4,73 5,56 3,80 4,95
V 7,45 6,40 4,74 3,74 4,43 3,78 4,13
Promedio 10,69 6,91 7,25 5,12 5,75 3,97 5,40
(1) Tal como fuera definida en la Pág. 5.

Se observa como varían las tasas de producción de viajes según el NSE, la posesión de
automóvil y la accesibilidad.

Existen tablas similares para cada uno de los propósitos considerados. El nivel
socioeconómico fue medido a través del siguiente indicador:




=
k
ijk
ij ij
ij
ij
T
C P
A
I
Siendo:

I
ij
= índice socioeconómico de la vivienda j en la zona i.
A
ij
= número de ambientes, sin contar cocina y baño, con que cuenta la vivienda.
P
ij
= número de personas que habitan en la vivienda.
C
ij
= calidad o categoría de la vivienda.
Tijk = tipo de ocupación de la persona k.

Para cada uno de los estratos de NSE (alto, medio y bajo) se determinaron límites del
indicador.

12
Los viajes futuros producidos por cada zona se calculan multiplicando las tasas de
generación para cada categoría de hogar por la cantidad de los mismos que se prevé existirá
en cada una de dichas zonas.

Este procedimiento se repite para cada uno de los propósitos de viaje considerados.

b) Atracciones

Mediante el método de clasificación cruzada se calculan las producciones. Para calcular las
atracciones se utiliza el método de regresión lineal simple o múltiple, ya explicado. Las
ecuaciones que se plantean son, por ejemplo, las siguientes:

Atracciones BHT = f(Empleos Comercio Minorista, Otros Empleos)
Atracciones BHE = f(Matrículas de Estudiantes)
Atracciones BHC = f(Hogares, Empleos Comercio Minorista, Otros Empleos)
Atracciones BHO = f(Hogares, Empleos Comercio Minorista, Otros Empleos)
Atracciones NBH = f(Hogares, Empleos Comercio Minorista, Otros Empleos)

Determinación de los Viajes de Producción y Atracción Futuros

En primer lugar se deberán proyectar las variables independientes utilizadas en el modelo,
para cada una de las zonas, tales como población, accesibilidad, número de hogares por
nivel socioeconómico y motorización, empleos, matrículas, etc.

En segundo lugar se calculan las producciones y atracciones por zona y por motivo,
aplicando las ecuaciones o tasas según el método elegido.

Luego se deberán balancear producciones y atracciones por propósito, ya que al haber sido
calculadas con distintos procedimientos generalmente no coincidirán. Se deberá cumplir
que:

∑ ∑∑ ∑
= = = =
=
m
k
m
k
n
i
ik
n
i
ik
A P
1 1 1


Donde:

m = número de propósitos.
n = número de zonas.
P
ik
= producciones de la zona i con propósito k.
A
ik
= atracciones de la zona i con propósito k.

El balanceo se realiza prorrateando las diferencias entre las atracciones, ya que por lo
general éstas son determinadas con modelos de menor precisión que las producciones.

Las producciones se determinan a partir de información primaria proveniente de las
encuestas domiciliarias, mientras que las atracciones son ecuaciones de regresión ajustadas
13
con información secundaria (censos de población, censos económicos, encuestas
permanentes de hogares, etc.).







Figura N° 1 PROCESO DE PLANEAMIENTO DEL TRANSPORTE URBANO
FASE DEL PROCESO
RELEVAMIENTOS ACTIVIDAD RELEVAMIENTOS CARACTERISTICAS CARACTERISTICAS
E ECONOMICA Y DE USO DEL DE LOS VIAJES, DEL SISTEMA DE
INVENTARIOS POBLACION SUELO ENCUESTAS TRANSPORTE
PLANTEO DEL ZONIFICACION Y
SUB-MODELO DE RED EXISTENTE
GENERACION
PRODUCCION SUB-MODELO DE
SITUACION Y ATRACCION DISTRIBUCION
PRESENTE DE VIAJES CALIBRACION
Y
CALIBRACION
DE TECNICAS SUB-MODELO
Y MODELOS DE DIVISION
MODAL
ASIGNACION
VIAJES ACUALES
A RED EXISTENTE
AJUSTE DE LA RED
PROYECCIONES PREVISION DE GENERACION
ECONOMICAS Y FUTUROS USOS DE VIAJES
DE POBLACION DEL SUELO FUTUROS
DETERMINACION PRODUCCIONES SUB-MODELO DE
DE LA DEMANDA Y ATRACCIONES DISTRIBUCION
FUTURA FUTURAS VIAJES FUTUROS
SUB-MODELO
DE DIVISION
MODAL
METAS Y PLANTEO DE CURSOS DE ASIGNACIONES
OBJETIVOS DEL PLANES Y ACCION, A REDES FUTURAS
PLANEAMIENTO PROYECTOS REDES FUTURAS
ANALISIS DE
SISTEMAS, ANALISIS Y
EVALUACION Y EVALUACION
RECOMENDACIONES
PROPUESTA DE
PLAN DE
TRANSPORTE
MONITOREO REPLANTEO DE METAS, SEGUIMIENTO
Y SEGUIMIENTO OBJETIVOS Y Y MONITOREO
DEL PLAN PROYECCIONES DEL PLAN
Ciclo de
Calibración
Ciclo de elaboración
del Plan
Ciclo de revisión
del Plan
14
DISTRIBUCION DE VIAJES


I INTRODUCCION

Distribución de viajes
7
, definición: proceso mediante el cual se determinan las zonas de
origen y destino de los viajes generados.

La etapa de distribución de viajes recibe como entrada (input) las cantidades de viajes
producidos y atraídos por zona, calculadas en la etapa anterior de generación.

El resultado de la etapa de distribución de viajes es la producción de las denominadas
matrices de origen y destino de viajes. Dichas matrices contienen en sus celdas la cantidad
de viajes por unidad de tiempo (por hora, por día, etc.) entre las zonas del Area de Estudio.
Existirán tantas matrices como propósitos de viaje se hayan definido y por lo tanto el
proceso de distribución debe ser realizado para cada una de ellos.

Las matrices de viajes constituyen la entrada (input) principal para las etapas subsiguientes
del modelo de transporte, es decir división modal y asignación. Por esa razón la
distribución no está referida al modo de transporte utilizado ni a los trayectos que podría
tomar un viaje dado.

Los procedimientos matemáticos de distribución se clasifican en dos grupos básicos:

1. Análogos o métodos de factor de crecimiento.
2. Modelos sintéticos.


II FUNDAMENTOS DE LA DISTRIBUCION DE VIAJES

1. Métodos de factor de crecimiento

Existen varios métodos de factor de crecimiento, los que se limitan a la actualización o
proyección de una matriz de origen y destino existente, o matriz base.

Estos métodos se basan en la siguiente ecuación general:
Siendo:

T
ij
= cantidad de viajes futuros ente las zona i y j.
t
ij
= cantidad existente de viajes entre las zona i y j (elementos de la matriz base).
F = factor (o factores) de crecimiento.


7
Viaje: movimiento en un sentido desde un punto de origen a un punto de destino. Estos puntos se denominan
extremos del viaje. El viaje se refiere a una persona o a un vehículo.
F t T
ij ij
⋅ =
15
El factor F depende del uso del suelo, de las características socioeconómicas del área y de
las perspectivas de crecimiento futuro. Si bien en la fórmula anterior aparece como un
factor único, cada uno de los métodos que se verán plantean uno o varios factores.

Los factores de crecimiento se plantean generalmente relacionando una situación futura
estimada con una situación presente (o pasada reciente) conocida, de acuerdo a una
expresión como la siguiente:


Siendo:
TM
a
, TM
f
= tasa de motorización actual y futura.
P
a
, P
f
= población actual y futura.
Y
a
, Y
f
= ingreso actual y futuro.

Los métodos basados en factores de crecimiento tienen las siguientes desventajas:

- En la estimación de los viajes interzonales no intervienen las características de la red.
Se hace la hipótesis de que la estructura de viajes representada por la matriz base refleja
adecuadamente el efecto de la separación física, de los modos de transporte disponibles,
etc. Esto puede ser cierto para la fecha de la matriz base pero no necesariamente en el
futuro, más si se esperan cambios significativos en la red.
- Las celdas vacías en la matriz base seguirán siendo vacías en el futuro, aunque las zonas
de dichas celdas puedan crecer y aumente la probabilidad de que intercambien viajes.
- No tienen en cuenta los cambios en el usos de suelo.

Como principal ventaja puede señalarse que son sencillos y fáciles de programar y aplicar.
Se aplican a predicciones de demanda a corto y, eventualmente, mediano plazo y cuando se
espere bajo crecimiento, siendo especialmente indicados para esos casos.

En áreas urbanas complejas los modelos del factor de crecimiento se utilizan para proyectar
los viajes externos, que no son estimados por el modelo de generación, sino detectados en
los censos de cordón.

No son aplicables para realizar predicciones largo plazo, cuando se prevean grandes
crecimientos y cambios significativos en el uso del suelo.

Los métodos más aplicados de distribución basados en el factor de crecimiento son:

1. Factor uniforme.
2. Factor promedio.
3. Método de Fratar.



) , , (
) , , (
a a a
f f f
Y P TM f
Y P TM f
F =
16
1.1 Factor uniforme

Consiste en aplicar un factor de crecimiento único para todos los movimientos interzonales
del área y equivale a la multiplicación de la matriz base por un escalar. La hipótesis básica
en que se basa este modelo es que todas las zonas crecerán uniformemente, lo mismo que
los viajes intercambiados.

La fórmula matemática de este modelo es igual a la anterior:
Donde:

T = número total de viajes futuros en el área de estudio.
t = número total de viajes actuales en el área de estudio.

Este constituye el método más simple de distribución de viaje futuros, y a la vez el menos
preciso. La principal crítica que se le efectúa a este método es que todas las zonas del área
evolucionan de la misma manera, lo que en la realidad generalmente no sucede. Se aplica
para actualizar matrices de origen y destino anteriores y para realizar proyecciones cuando
no existe tiempo ni recursos para la aplicación de métodos más detallados.


1.2 Factor promedio

Este método constituye un avance con respecto al anterior, ya que considera factores de
crecimiento por zona. Su expresión matemática es la siguiente:




Siendo:
t
ij
= viajes entre las zonas i y j actuales.
T
ij
= viajes entre las zona i y j futuros.
t
i(G)
t
j(G)
= flujos actuales totales generados por las zonas i y j.
T
i(G)
, T
j(G)
= flujos futuros totales generados por las zonas i y j.

t
T
F
F t T
ij ij
=
⋅ =
( )
) (
) (
) (
) (
2
G j
G j
j
G i
G i
i
j i
ij ij
t
T
F
t
T
F
F F
t T
=
=
+
⋅ =
17
Dado que los flujos totales calculados con este método no coincidirán con los estimados en
la etapa de generación, se aplica un proceso iterativo en el que se utilizan los flujos totales
de la iteración anterior para calcular nuevos factores de crecimiento.

En general se comprobará que:


Primera iteración:


Segunda iteración:


Se continúa iterando hasta que los factores F se aproximen a la unidad y los T
i
se
aproximen a los T
i(G)
.


1.3 Método de Fratar
8


El método de Fratar es también un proceso iterativo. Consiste en ajustar secuencialmente
las columnas y las filas de la matriz, hasta alcanzar el equilibrio y se basa en el principio de
que un cambio en una celda (viajes entre i y j) es directamente proporcional a los cambios
en los viajes originados y destinados en las zonas de la celda.


8
Este método fue desarrollado por Thomas J. Fratar (1913-2001) en 1954.

=
=

n
j
ij i
G i i
T T
T T
1
) (
( )


=
=
=
=
+
⋅ =
n
i
ij j
n
j
ij i
j i
ij ij
T T
T T
F F
t T
1
1
2
( )
2
1 1
1
) (
1
) (
1
j i
ij ij
j
G j
j
i
G i
i
F F
T T
T
T
F
T
T
F
+
⋅ =
=
=
18
Se debe especificar un factor de crecimiento para cada zona de origen y para cada zona de
destino.

El proceso matemático es el siguiente:


Siendo:
k = número de iteración.
F
jk
= factor del destino j (columna), iteración k.
F
ik
= factor del origen i (fila), iteración k.

El equilibrio se obtiene cuando los factores se aproximan a la unidad.

En el Anexo 1 se desarrolla un ejemplo de aplicación del método para una matriz de origen
y destino de 4 zonas. En dicho ejemplo se alcanza el equilibrio en 4 iteraciones, aunque ya
en la iteración 3 los resultados pueden considerarse como aceptables.


2. Métodos sintéticos

Los modelos de distribución sintéticos se basan en la estimación de los intercambios de
viajes interzonales en función de las producciones y atracciones de las zonas y en la
separación espacial entre las mismas.

La separación espacial se mide en tiempo de viaje, distancia o costo sobre la red de
transporte.

Para poder ser aplicados estos modelos deben ser calibrados, de manera que las funciones
matemáticas representen lo más aproximadamente posible las características de los viajes
realizados en un área urbana particular. Luego de ser calibrado el modelo debe ser sometido
a una serie de pruebas antes de ser aceptado.

Los modelos sintéticos más utilizados son:

1. Modelo gravitatorio.
2. Modelo de oportunidad.
3. Programación lineal.
( )
( )


=
=
+

=
=
⋅ ⋅ =
n
j
jk ijk
G i
ik
n
i
ijk
G j
jk
ik jk ijk k ij
F T
T
F
T
T
F
F F T T
1
) (
1
) (
) 1 (
19

En este trabajo se tratará sobre el modelo gravitatorio solamente.


2.1 Modelo Gravitatorio

2.1.1 Teoría.

El denominado Modelo Gravitatorio (MG) de distribución de viaje se originó en la
ecuación de la ley de gravitación universal de Newton:


Donde:

F = fuerza con que se atraen dos cuerpos.
M
1
, M
2
= masa de los cuerpos.
d = distancia que separa los cuerpos.
G = constante.

Esta formulación puede aplicarse al transporte, suponiendo que la fuerza de atracción son
los viajes interzonales, las masas están representadas por las producciones y atracciones de
las zonas y la distancia por la separación espacial entre las mismas, medida en unidades
relativas al transporte (distancia, tiempo, costo, etc.).

Se puede decir entonces que la cantidad de viajes de personas entre dos zonas es
directamente proporcional al producto de las producciones, atracciones y una función de la
separación espacial:


Siendo:

T
ij
= viajes producidos por la zona i y atraidos por la zona j.
P
i
= viajes producidos por la zona i.
A
j
= viajes atraidos por la zona j.
F
ij
= factor de impedancia
9
entre zonas i y j, también llamado factor de fricción.
K
ij
= factor de ajuste socioeconómico para el par ij.

El factor de ajuste socioeconómico se utiliza para corregir ciertas deficiencias que presenta
el MG y será explicado más adelante.

9
El concepto de impedancia, por analogía con la electricidad, se refiere a la dificultad de moverse en una red
de transporte urbana y puede medirse en distancia, tiempo o costo.
2
2 1
d
M M
G F

⋅ =
ij ij j i ij
K F A P T ⋅ ⋅ ⋅ ≈
20

El factor de impedancia (Fij) depende de la separación espacial entre zonas. La separación
espacial entre zonas se puede medir en varias unidades de impedancia, siendo la de tiempo
la más utilizada. La impedancia total entre zonas es la suma de las impedancias de los
tramos del camino mínimo
10
más las impedancias terminales. Las impedancias terminales
corresponden a los tiempos y/o costos de espera, caminata, recorrido buscando
estacionamiento, etc.

La ecuación del MG puede ser escrita de siguiente manera:

T
ij
= C
i
. P
i
. A
j
.F
ij
.K
ij
(1)

Siendo C
i
una constante de proporcionalidad. Esta constante se determina de la siguiente
manera:

P
i
= ∑
j
T
ij
= ∑
j
[C
i
P
i
A
j
F
ij
.K
ij
] = C
i
P
i

j
[A
j
F
ij
.K
ij
] (2)

Por lo tanto:

Donde n = número de zonas.

La expresión final del MG es la siguiente:



El factor Fij surge de una función exponencial inversa de la impedancia: F
ij
= f [1/I
ij
], y
deben ser determinados a través del proceso de calibración, que se realiza mediante
iteración.

Calibración.

El objetivo de la calibración es hacer que el MG reproduzca la distribución en el año base
de los viajes de acuerdo a la impedancia
11
. La distribución de viajes en función de la
impedancia consiste en una tabla en que se suman los viajes con igual impedancia, para
cada propósito de viaje:

10
Los caminos mínimos dentro de una red se determinan mediante el submodelo de asignación.
11
Los viajes en el año base son determinados mediante las encuestas domiciliarias y de intercepción.
[ ]

=
⋅ ⋅
=
n
j
ij ij j
i
K F A
C
1
1
[ ]

=
⋅ ⋅
⋅ ⋅ ⋅
=
n
j
ij ij j
ij ij j i
ij
K F A
K F A P
T
1
21

Unidades de
Impedancia
Tabla de
Viajes
1 Total de viajes
con impedancia
1
2 Idem
impedancia 2
...
...
...
...
r Idem
impedancia r

En algunos casos, para simplificar el proceso se utiliza la impedancia media ponderada de
todos los viajes.

El modelo calibrado deberá reproducir adecuadamente la distribución de viajes en el año
base o bien aproximarse a la impedancia media ponderada.

Para mostrar como se procede para la calibración de un MG se utilizará un ejemplo muy
reducido de tres zonas, ver Anexo 2.

En primer lugar se debe contar con los datos de producción y atracción por zona (que
provienen de la etapa de generación) y con la matriz de impedancias (que consiste en una
matriz cuyas celdas contienen las impedancias entre cada par de zonas).

A continuación se aplica el MG con un conjunto de factores de fricción unitarios. Se
obtiene la matriz de producción y atracción correspondiente a la iteración 1 (Viajes
Calculados It=1). Estos viajes calculados se distribuyen según su impedancia y se muestran
en la cuarta columna del Cuadro de Calibración. La distribución se realiza mediante la
matriz de viajes calculados y la matriz de impedancias. La quinta y sexta columna del
Cuadro de Calibración muestra los nuevos factores de fricción, calculados como:

Primer paso (valores en la quinta columna):

Donde:
k = número de iteración.
r = rango de impedancia.
T
r
0
= total de viajes en el año base para el rango de impedancias r.
T
r
k-1
= total de viajes calculados en la iteración k-1 para el rango de impedancias r.

Segundo paso (se calcula el entero más próximo por redondeo):
1
0

=
k
r
r k
r
T
T
f
22

Con los factores de fricción de la primera iteración se calcula una nueva matriz de viajes y
se repite el procedimiento. En la columna 7 se muestran los viajes calculados, cuya
distribución coincide con la buscada, por lo que puede considerarse al modelo como
calibrado. En la columna 8 se calculan los factores de acuerdo al primer paso y en la
columna 9 los factores de fricción definitivos, de acuerdo al segundo paso, los que se
utilizarán para la distribución de viajes futuros. Se muestra también la matriz final de
producción y atracción para el año base. (Viajes Calculados It=2).

Ajuste de las atracciones.

Cuando se aplica el MG, el total de producciones calculadas por zona será igual a la dada
como dato, por la estructura del modelo
12
, pero no necesariamente sucederá lo mismo con
las atracciones. En general se cumplirá que:


Para que el modelo reproduzca también las atracciones se realiza un procedimiento iterativo
hasta que las atracciones estimadas con el modelo coincidan con los valores deseados
(atracciones dato, provenientes de la etapa de generación).

Luego de cada iteración se recalculan las atracciones de acuerdo a la siguiente fórmula:



Donde:
A
jk
= atracción ajustada para la zona j, iteración k (A
jk
= A
j
cuando k=1)
C
jk
= atracción actual para la zona j, iteración k, calculada por el MG.
A
j
= atracción deseada (dato) para la zona j.

En cada iteración se aplica el MG para calcular los viajes usando las atracciones
modificadas en la iteración precedente. El proceso se detiene cuando el MG alcanza una
aproximación suficiente en el cálculo de las atracciones deseadas.


12
Cuando se dedujo el modelo gravitatorio, para la determinación de la constante de proporcionalidad se
partió de que la suma de los viajes producidos por zona debía ser igual a la producción dato del año base, ver
fórmula (2).
( )






=
k
r
k
r k
r
f MIN
f
ENTERO F
) 1 (
) 1 (


=
k j
k j
j
jk
A
C
A
A
i
n
j
ij
P T =

=1

=

n
i
j ij
A T
1
23
En la práctica este proceso consiste en modificar las atracciones que se utilizan en la
fórmula para que el MG reproduzca las atracciones deseadas, que son las que provienen de
la etapa de generación.

Factores de ajuste socioeconómicos.

Además de los factores de fricción, relacionados con la separación espacial, existen otros
factores que influyen en la distribución de viajes. El efecto de esos factores se tienen en
cuenta en el MG a través de los factores de ajuste socioeconómicos K
ij


El MG solamente tiene en cuenta la producciones y atracciones por motivo y la separación
espacial y no contiene en su formulación ninguna variable que caracterice el nivel
socioeconómico de las personas que realizan los viajes. Esto puede producir algunas
distorsiones en la distribución, como se explica en el siguiente ejemplo.

Supongamos que dentro del área del estudio hay zonas residenciales con población de bajos
ingresos y zonas residenciales con población de altos ingresos. Al mismo tiempo existen
zonas con empleos mayoritariamente de altos ingresos, tales como edificios
administrativos, bancos, financieras, etc., y zonas con empleos mayoritariamente de bajos
ingresos, tales como talleres y fábricas
13
. Es de esperar que la distribución resultante
vincule con fuerte intercambio de viajes las zonas residenciales de bajos ingresos con las
zonas de empleos fabriles y las zonas residenciales de altos ingresos con las zonas de
empleos de altos ingresos, tal como se muestra en la figura siguiente:




13
En general las zonas con empleos de altos ingresos se ubican en áreas centrales de la ciudades, mientras que
las zona industriales se ubican en los suburbios.
Area del Estudio
Zonas de Em pleos
Altos Ingresos
Zonas Residenciales Zonas Resincenciales
Altos Ingresos Bajos Ingresos
Zonas de
Em pleos
Fabriles
24
Como el MG no tiene en cuenta variables socioeconómicas distribuirá los viajes producidos
y atraídos de acuerdo a las producciones y atracciones por motivo, en este caso BHT, y a
las impedancias, por lo que posiblemente la distribución resultante no sea la esperada. En
este caso habría que aplicar a los intercambios que no resultan ajustados a la realidad
factores socioeconómicos K
ij
a los efectos de obtener un escenario similar a la realidad.














25
ANEXO 1
Ejemplo de Aplicación del Método Fratar

Matriz Original – Año Base

O\D 1 2 3 4 ∑Tij Ti(G) Fio
1 0 2000 3000 4000 9000 40000 4.4444
2 4000 0 3000 1000 8000 30000 3.7500
3 3000 2000 0 1000 6000 20000 3.3333
4 1000 2000 3000 0 6000 10000 1.6667
∑Tij 8000 6000 9000 6000 29000
Tj(G) 10000 20000 30000 40000
Fjo 1.2500 3.3333 3.3333 6.6667

Matriz Iteración 1 Ajuste por
columnas


O\D 1 2 3 4 ∑Tij Fi1
1 0 6667 10000 26667 43333 0.923077
2 5000 0 10000 6667 21667 1.384615
3 3750 6667 0 6667 17083 1.170732
4 1250 6667 10000 0 17917 0.55814
∑Tij 10000 20000 30000 40000
Fj 1 1 1 1

Matriz Iteración 1 Ajuste por filas

O\D 1 2 3 4 ∑Tij Fi
1 0 6154 9231 24615 40000 1
2 6923 0 13846 9231 30000 1
3 4390 7805 0 7805 20000 1
4 698 3721 5581 0 10000 1
∑Tij 12011 17680 28658 41651
Fj1 0.8326 1.1312 1.0468 0.9604

Matriz Iteración 2 Ajuste por
columnas

1 2 3 4 ∑Tij Fi2
1 0 6962 9663 23640 40264 0.993442
2 5764 0 14494 8865 29123 1.030107
3 3655 8829 0 7495 19980 1.001006
4 581 4209 5843 0 10633 0.940483
∑Tij 10000 20000 30000 40000
Fj 1 1 1 1
26
Matriz Iteración 2 Ajuste por filas
1 2 3 4 ∑Tij Fi
1 0 6916 9600 23485 40000 1
2 5937 0 14931 9132 30000 1
3 3659 8838 0 7503 20000 1
4 546 3959 5495 0 10000 1
∑Tij 10143 19713 30025 40119
Fj2 0.9859 1.0146 0.9992 0.9970

Matriz Iteración 3 Ajuste por
columnas

1 2 3 4 ∑Tij Fi3
1 0 7017 9591 23415 40023 0.99943
2 5854 0 14918 9105 29877 1.004125
3 3607 8967 0 7481 20055 0.997256
4 539 4016 5490 0 10045 0.995482
∑Tij 10000 20000 30000 40000
Fj 1 1 1 1
Matriz Iteración 3 Ajuste por filas
1 2 3 4 ∑Tij Fi
1 0 7013 9586 23401 40000 1
2 5878 0 14980 9142 30000 1
3 3598 8942 0 7460 20000 1
4 536 3998 5466 0 10000 1
∑Tij 10012 19953 30031 40004
Fj3 0.9988 1.0023 0.9990 0.9999

Matriz Iteración 4 Ajuste por
columnas

1 2 3 4 ∑Tij Fi4
1 0 7029 9576 23399 40004 0.999892
2 5871 0 14964 9141 29977 1.00078
3 3593 8963 0 7459 20016 0.9992
4 536 4008 5460 0 10003 0.999695
∑Tij 10000 20000 30000 40000
Fj 1 1 1 1

Matriz Iteración 4

Ajuste por filas

1 2 3 4 ∑Tij Fi
1 0 7028 9575 23397 40000 1
2 5876 0 14976 9148 30000 1
3 3590 8956 0 7454 20000 1
4 535 4006 5458 0 10000 1
∑Tij 10002 19991 30009 39999
Fj4 0.9998 1.0005 0.9997 1.0000
27

ANEXO 2
Ejemplo de Calibración de un Modelo Gravitatorio







Producciones y Atracciones
Zona 1 2 3 Total
Producción 7 11 7 25
Atracción 11 7 7 25
Matriz de Impedancias
Zona 1 2 3
1 8 1 4
2 3 6 5
3 2 7 4
Cuadro de Calibración
Unidades de Viajes F Viajes F Viajes F
Impedancia Inicial Calcul. Iteración 1 Calcul. Iteración 2
1 4 1 2 2.04082 6 4 6.28571 6
2 4 1 3 1.29870 4 4 4.00000 4
3 6 1 5 1.23967 4 6 3.81818 4
4 4 1 4 1.02041 3 4 3.20700 3
5 3 1 3 0.97403 3 3 3.00000 3
6 2 1 3 0.64935 2 2 2.00000 2
7 1 1 2 0.51020 2 1 1.57143 2
8 1 1 3 0.32468 1 1 1.00000 1
Total viajes 25 F mínimo= 0.32468 F mínimo= 1.00000
Viajes Calculados It= 1 Viajes Calculados It= 2
Zona 1 2 3 Zona 1 2 3
1 3 2 2 25 1 1 4 2 77
2 5 3 3 25 2 6 2 3 77
3 3 2 2 25 3 4 1 2 77
Total de viajes 25 Total de viajes 25
28
DIVISION MODAL

Definición: determinación de la proporción en que los usuarios seleccionan el modo
de transporte para la realización de sus viajes.

Factores que influencian la división modal

- Características del usuario:
- Disponibilidad de automóvil.
- Estructura del hogar.
- Ingreso.
- Características del viaje:
- Propósito.
- Longitud.
- Horario del viaje.
- Características del sistema de transporte:
- Comodidad y conveniencia.
- Confiabilidad y regularidad.
- Accesibilidad.
- Seguridad.


Modelos de extremos de viajes

Los modelos de división modal de extremos de viaje se aplican inmediatamente después de
la etapa de generación de modo de retener las características de las personas que realizan
los viajes, aunque no consideran las características del viaje.

Modelos de intercambios de viajes

En este tipo de modelos la división modal se realiza luego de la distribución. Tienen la
ventaja de que se pueden considerar las características del viaje, aunque se pierden las
características del usuario, dado que en las matrices post-distribución los viajes son
agregados sin distinguir.

Modelos de distribución y división modal

Realizan distribución y división modal simultáneamente
14
:



14
Nota: la expresión exp(x) es equivalente a e
x
, siendo e la base de los logaritmos naturales.
∑∑
⋅ − ⋅
⋅ − ⋅
⋅ =
j m
ijm j
ijm j
i ijm
I A
I A
P T
) exp(
) exp(
θ
θ
29

P
i
= producciones de la zona i.
A
j
= atracciones de la zona j.
θ = parámetro del modelo.
I
ijm
= impedancia entre i y j por el modo m.
t
v
ij
= tiempo de viaje (en vehículo).
t
c
ij
= tiempo de acceso (caminata).
t
e
ij
= tiempo de espera.
t
t
ij
= tiempo de transbordo.
F
ij
= costo o tarifa.
Φ
ij
= otros costos (estacionamiento, peaje, etc.).
VT = valor del tiempo.

Participación del modo m en el mercado:



Esta última expresión corresponde a los modelos denominados Logit por su semejanza con
la función logística.

Cuando se trata de la división entre dos modos el modelo se denomina binario. Cuando
existen más de dos modos el modelo se denomina multinomial..

Si bien fueron deducidos en forma conjunta, este tipo de modelos puede aplicarse
independientemente de la etapa de distribución.

Calibración de modelos Logit binarios

La calibración consiste en encontrar el valor del parámetro del modelo (θ). La información
necesaria son las impedancias, I
ij1
e I
ij2,
y la distribución del tráfico, P
ijk
, entre dos modos
conocidos para cada par ij.

Las proporciones para cada par ij en cada modo son las siguientes, obviando los subíndices:

VT
F
t t t t I
ij ij
t
ij
e
ij
c
ij
v
ij ijm
Φ +
+ + + ⋅ + = ) ( 5 , 2
∑ ∑
∑∑ ∑∑
⋅ −
⋅ − ⋅

=
⋅ − ⋅
⋅ − ⋅
⋅ =
=
m
ijm
m
j m
ijm j
j i
j m
ijm j
ijm j
i ij
ij
ijm
ijm
I
I A
A P
I A
I A
P T
T
T
P
) exp(
) exp( ) exp(
) exp(
θ
θ θ
θ

⋅ −
⋅ −
=
m
ijm
ijm
ijm
I
I
P
) exp(
) exp(
θ
θ
30
Haciendo el cociente P
1
/ P
2
:



Aplicando logaritmos a ambos términos y reagrupando:

Este modelo es idéntico al utilizado en la asignación de tráfico a rutas alternativas (Método
multirruta probabilístico). (Ver apunte Previsión de la Demanda Dirigida a Corredores)

Si se cuenta con datos de partición modal de varios pares ij se puede aplicar regresión lineal
y determinar el valor de θ.

Modelo QRS II

La división modal se realiza para cada par O-D y para cada propósito, basada en la
diferencia entre las desutilidades de automóvil y transporte público y las tasas de
cautividad del transporte público.

La desutilidad se define como el tiempo de viaje ponderado y es equivalente a la
impedancia. Las ponderaciones dependen del tipo de uso del tiempo de que se trate. Por
ejemplo un minuto de espera es equivalente, en términos de desutilidad, a más de un
minuto de viaje.

La expresión de la desutilidad es la siguiente:

D = Wa*Ta + We*Te + Pe + Tv + Pt +Wt*Tt + Wa*Tb + F/VT

Siendo:

Wa = ponderación o peso del tiempo de acceso (caminata).
Ta = tiempo de acceso o caminata.
We = ponderación del tiempo de espera.
( ) [ ]
( ) [ ]
( ) [ ]
1 2
1 2
1 2
1 2
1
exp 1
exp
1
exp 1
1
I I
I I
P P
I I
P
− − +
− −
= − =
− − +
=
θ
θ
θ
( ) ( ) [ ]
( ) [ ]
1 2
1 2 1
1
exp
exp
1
1
I I
I I P
P
− =
− −
=

θ
θ
( )
1 2
1
1
1
log I I
P
P
− =







θ
[ ]
1 2
2 1
log
I I
P P

= θ
31
Te = tiempo de espera.
Pe = penalización por espera .
Tv = tiempo de viaje en el vehículo.
Pt = penalización por transbordo.
Wt = ponderación del tiempo de transbordo.
Tt = tiempo de transbordo.
Tb = tiempo de egreso (caminata).
F = tarifa o costo de viaje.
VT = valor del tiempo.

VT = 0,33 * Ingreso/minuto = 0,33*Ingreso anual
120.000


El valor 120.000 son los minutos laborables en un año (250d/a*8h*60m/h).

Una forma más simple de la expresión anterior es la siguiente:

D = Tv + 2.5*Te + F/VT

El valor de Te incluye todos los tiempos de espera, acceso, transbordo, etc.

La cautividad del transporte público se define como la fracción de viajes que no tiene otra
opción que el transporte público, generalmente porque el usuario no posee automóvil o
porque el automóvil del hogar está siendo utilizando por otro integrante.

La diferencia de desutilidad se define de la siguiente manera:

D
d
ijk
= (t
ij
+ t
ji
– D
ij
– D
ji
)/2 – D
c
k


Donde:

t
ij
= tiempo de viaje entre i-j en auto.
t
ji
= idem j-i
D
ij
= desutilidad en transporte público entre zona i y zona j.
D
ji
= idem j-i.
D
c
k
= desutilidad específica del TP para propósito k.

La división modal de los viajes se calcula de la siguiente manera:


Siendo:
p
t
ijk
= probabilidad de que un usuario tome TP entre i y j.








+
⋅ − +

⋅ ⋅ =
ik
d
ijk k
ik
j i
t
ijk
Y
D M
Y
S S p
) exp( 1
1
32
S
i
= proporción de personas dentro de la zona de TP en el origen.
S
j
= idem dentro de la zona de destino.
Y
ik
= cautividad de la zona i para propósito k.
M
k
= parámetro para el propósito k.

La expresión anterior corresponde a un modelo tipo Logit. Este modelo se calibra mediante
pruebas cambiando los parámetros M
k
hasta que el modelo reproduzca razonablemente bien
las división modal relevada.
33
ANEXO

Estimación de Modelos Logit Discretos

Introducción a los Modelos de Elección Discretos

Los modelos tipo Logit son modelos de elección, es decir se construyen para la predicción de la
elección que ciertos individuos realizarán frente un conjunto de opciones alternativas, por ejemplo
la elección del modo de transporte para la realización de un viaje. Estos modelos pertenecen al
grupo denominado modelos econométricos, los que para poder ser aplicados en la predicción deben
ser primeramente estimados, entendiéndose por estimación de un modelo econométrico a la
determinación, mediante métodos estadísticos, de los parámetros de ajuste del modelo.

En el texto anterior se expusieron modelos Logit agregados, en los que las variables entran en el
modelo representadas por promedios de la población y la estimación se realiza buscando los
parámetros que mejor se ajusten también para el promedio de la población. En cambio, la
estimación de modelos discretos o desagregados se basa en las decisiones tomadas por los usuarios
individuales.

Por razones de simplicidad se explicará la estimación de un modelo binario, es decir en el que el
resultado del modelo puede tomar dos valores o que, en otras palabras, la elección se puede realizar
entre dos modos. El modelo Logit binario puede ser escrito matemáticamente de la siguiente
manera:


Donde:

P(y
i
= 1) es la probabilidad de que la variable binaria y
i
adopte el valor 1.
βx
i
es una función lineal con k variables independientes x
ki


La variable binaria y
i
es una variable ficticia. Una variable ficticia es aquella que determina el
estado o decisión de un individuo i, por ejemplo el modo de transporte que elige para la realización
de un viaje. Siempre toma valores discretos, por ejemplo si elige auto es y
i
= 1 ó si elige transporte
público es y
i
= 0. Por lo tanto la probabilidad de que la variable y
i
adopte el valor 0 es P(y
i
= 0) = 1-
P(y
i
= 1).

Para la estimación de un modelo Logit discreto es necesario contar con información representativa
de la población que se quiere modelar, a partir de una muestra de individuos de esa población. Para
esa muestra se deben observar las decisiones y atributos de los individuos, del viaje y de los modos
mediante la realización de una encuesta.

Este tipo de modelo se estima mediante el método de máxima verosimilitud
15
, el que se basa en la
función de verosimilitud de la muestra. Dicha función se define como la probabilidad de que el

15
Por tratarse de una variable que sólo adopta valores discretos no puede aplicarse el método de ajuste por
cuadrados mínimos ordinarios, ya que ese método daría por resultado una distribución continua no restringida
al intervalo entre cero y uno.
( )
i
x
i
e
y P
β −
+
= =
1
1
1
34
modelo reproduzca las observaciones de la muestra. La función de verosimilitud puede expresarse
de la siguiente manera:



Siendo:
L = indicador de verosimilitud
n = tamaño de la muestra.

En la práctica, el cálculo del indicador se realiza aplicando el modelo a cada elemento de la muestra
y multiplicando sucesivamente los resultados. Por ejemplo:


Elemento de
la muestra
y
i
observado P(y
i
= 1) ó P(y
i
= 0)
1 0 P(y
1
= 0)
2 1 P(y
2
= 1)
3 0 P(y
3
= 0)
... ... ...
n 1 P(y
n
= 1)

Función de
verosimilitud
L=P(y
1
= 0). P(y
2
= 1). P(y
3
= 0)... P(y
n
= 1)

Este indicador, por tratarse de un producto de probabilidades, deberá necesariamente tener un valor
entre 0 y 1, siendo preferible el modelo que maximice la función L (máxima verosimilitud). Para
facilitar los cálculos se utiliza el logaritmo natural de la verosimilitud, por lo que el Ln L será
siempre un valor negativo y cuanto mayor, es decir más próximo a cero, mejor resulta el ajuste del
modelo.

Modelo de División Modal

Como se dijera al principio, la división modal de los viajes puede ser representada por un modelo de
elección, en el que el término elección puede definirse como: la expresión de las preferencias de un
individuo para la realización de un viaje. En este tipo de modelo, la elección del individuo se basa
en el principio de maximización de la utilidad. Este principio establece que un individuo elegirá, de
entre las la opciones disponibles, aquella que maximice su utilidad o satisfacción.

Esta utilidad podrá ser expresada mediante una función, que será una expresión matemática, cuyo
valor dependerá de los atributos de las opciones disponibles y de las características y preferencias
del individuo. La función de utilidad expresa que si un individuo prefiere un determinado modo
sobre los demás, el valor de dicha función de utilidad para ese modo deberá ser mayor que para los
restantes.

La expresión matemática de la utilidad estará dada en función de un grupo de variables que
representarán las características y atributos de los modos de transporte y de los individuos y que
tienen influencia en la elección que realicen estos últimos, por ejemplo: tiempo de viaje, número de
( ) ( )
i i
n
i
i i
x y P x y P L / 0 / 1
1
= ⋅ = =

=
δ γ
35
transbordos, tiempos de caminata y espera, costo del viaje, ingreso del individuo, posesión de
automóvil, etc.

De acuerdo al principio de maximización de la utilidad, si un individuo prefiere el modo i al j ello
implica que:


Donde:

U = función de utilidad.
x
i
, x
j
= atributos de los modos i y j (tiempo de viaje, costo, etc.).
S = atributos del individuo que influyen en la selección de modo.

La función de utilidad debe ser definida de manera que se cumplan las siguientes condiciones:

• La forma de la función de utilidad deberá ser la misma para todas las opciones. Su valor
dependerá de los atributos del modo y del individuo.
• La utilidad de un modo depende exclusivamente de los atributos del modo y del individuo,
independientemente de los atributos de los otros modos.
• La elección del individuo depende de las utilidades de todos los modos.

Para la definición de funciones de utilidad para un caso específico se debe identificar, en primer
lugar, las variables que describen los atributos de cada modo y los atributos de los usuarios. La
habilidad del modelo de predecir lo más aproximadamente posible la división modal depende
fundamentalmente de la elección acertada de estas variables. No obstante, por ser el proceso de
selección de modo un proceso complejo en el que intervienen innumerables factores, no será
siempre posible identificar a la totalidad de esas variables, siendo la omisión
16
de ciertas variables y
los errores de medición de las incluidas la principal fuente de error de predicción de los modelos.

Las variables que forman parte de la función de utilidad pueden clasificarse de la siguiente manera:

• Variables de política. Son las variables que adoptan valores que provienen de decisiones de
políticas deliberadas. La elaboración de un modelo de demanda tiene por objeto el de
determinar las consecuencias que tendrán los cambios en el valor de estas variables. El
tiempo de viaje, la tarifa, la frecuencia, etc, son ejemplos de variables de política.
• Variables genéricas. Son las variables de política que figuran en todos los modos con el
mismo coeficiente.
• Variables específicas de modo. Son las variables que entran en la función de utilidad con
distintos coeficientes en cada modo. Debe haber por lo menos un modo que no incluya a
dicha variable.
• Variables demográficas o socieconómicas (también variables de grupo). Son las variables
que permiten diferenciar el efecto de las medidas de políticas en los diferentes grupos
poblacionales. El ingreso y la posesión de automóvil son ejemplos de este tipo de variables.
El valor de estas variables no está sujeto a decisión.


16
La no-inclusión de variables que influyen en el modelo puede deberse a que se las desconoce o por
imposibilidad de medirlas o estimarlas.
) , ( ) , ( S x U S x U
j i
>
36
Las variables pueden figurar en la función de utilidad directamente con su valor o transformadas,
por ejemplo mediante la logaritmación. Asimismo las funciones pueden ser lineales o no lineales.

Algunas variables, tales como el tiempo de viaje, pueden ser desagregadas en componentes, como
por ejemplo: tiempo de caminata y espera, tiempo en vehículo y tiempo de trasbordo, dado que
dichos tiempos son valorados de distinta manera por los usuarios (los tiempos de caminata, espera y
trasbordo tienden a ser percibidos como más molestos que el tiempo en vehículo). En algunos casos
el tiempo de viaje puede constituir una variable específica de modo como cuando se incluyen los
tiempos de espera y trasbordo, propios del transporte público pero no del automóvil.

La variable ingreso o número de automóviles en el hogar también pueden ser usadas como variables
específicas de modo cuando, por ejemplo, sectores de altos ingresos están dispuestos a utilizar el
automóvil no por ahorro de tiempo sino por comodidad y/o flexibilidad. Debe haber por lo menos
un modo sin estas variables.

Además de las variables descriptivas de los modos y de los individuos se definen también las
denominadas constantes específicas de modo. Si dos modos tienen los mismos atributos las
probabilidades ser elegidos por individuos con las mismas características serán iguales, si bien
pueden presentar diferencias al usuario representadas por variables no incluidas en el modelo, tales
como confort, confiabilidad, seguridad, etc. Este defecto puede ser en parte subsanado mediante la
inclusión de constantes, diferentes, en la función de utilidad de todos los modos, excepto uno,
denominado modo base
17
.

Estimación Econométrica de Modelos Logit Discretos

La estimación de modelos Logit discretos, tanto binarios como multinomiales, se realiza mediante
paquetes estadísticos - econométricos. Los modelos binarios pueden estimarse mediante paquetes
convencionales, tales como EViews, SPSS, SAS, etc. Para el caso de los modelos multinomiales
debe recurrirse a software especial como ALOGIT o HIELOW.

A continuación se desarrollará un ejemplo de estimación de un modelo Logit binario mediante el
paquete estadístico – econométrico EViews
18
.

Se parte de un relevamiento a través de encuestas del modo de viaje al trabajo de una muestra de
usuarios. En la encuesta se relevó, para cada elemento de la muestra, la distancia de viaje, los costos
del viaje en transporte público (TP) y en automóvil (A), los tiempos de viaje en TP y en A, el
ingreso del individuo, la posesión de automóvil y el modo utilizado para la realización del viaje.

Se plantea un modelo de división modal con la siguiente formulación:



Siendo:

17
Si se incluyeran constantes en todos los modos las mismas serían matemáticamente indeterminadas por lo
que el modelo no puede ser estimado.
18
Producto de Quantitative Micro Software, LLC (www.eviews.com)
( )
Utp U
U
e e
e
A P
a
a
− −

+
=
37

P(A) = probabilidad de que el modo A sea elegido.
U
a
= función de utilidad del modo A
U
tp
= función de utilidad del modo TP

A los efectos de experimentar con los resultados se planteará el modelo con dos variantes. La
denominada Ecuación 1 tiene las siguientes funciones de utilidad:


La Ecuación 2 tendrá las siguientes funciones de utilidad:



T
a
,T
tp
= tiempos de viaje en A y TP respectivamente.
C
a
,C
tp
= costos de viaje en A y TP respectivamente, en $.
a, b, c, d = parámetros del modelo a estimar.
Y
i
= ingreso del individuo, en miles de $ por mes.

Las variables T, C y C/Y son variables genéricas de política y entran en la función con el mismo
coeficiente. El coeficiente a es una constante específica de modo y solamente forma parte de la
función de utilidad del modo TP. La variable Y en la ecuación 2 es una variable específica de modo
dado que aparece solamente en la función de utilidad del modo A.

El modelo puede ser expresado de la siguiente manera:

Ecuación 1:


Ecuación 2:


La muestra que se utilice para la estimación del modelo debe ser representativa de la población del
área de estudio que se quiere modelar, es decir que en ella deben formar parte todos los casos
posibles, de manera que el modelo tenga la capacidad de reproducir la elección de modo de
cualquier individuo dentro de esa población. Esta es una condición muy importante para que el
modelo sea aplicable para la determinación de la división modal agregada del área de estudio, tal
como se verá más adelante.
i
a
a a
Y
C
c T b U ⋅ + ⋅ =
i
tp
tp tp
Y
C
c T b a U ⋅ + ⋅ + =
( )
) / ( ) (
1
1
1
1
i a tp
Y C c T b a U U
e
e
A P
∆ ⋅ + ∆ ⋅ + − − −
+
=
+
=
tp tp tp
i a a a
C c T b a U
Y d C c T b U
⋅ + ⋅ + =
⋅ + ⋅ + ⋅ =
) (
1
1
) (
i
Y d C c T b a
e
A P
⋅ + ∆ ⋅ + ∆ ⋅ + −
+
=
38

Las planillas siguientes muestran la información relevada a 16 personas que realizan viajes diarios
al trabajo
19
. Los encabezamientos tienen el siguiente significado:

Dist = distancia de viaje en km.
Costo_TP = costo de realizar el viaje en TP, comprende la tarifa en una dirección, en $.
Costo_Auto = costo de realizar el viaje en A, en una dirección. Comprende combustible,
estacionamiento y peaje. Expresado en $.
Tiempo_TP = tiempo de viaje en TP, en horas.
Tiempo_Auto = tiempo de viaje en A, en horas.
Ingreso = ingreso del individuo en miles de $ por mes.
Auto = posesión de automóvil (1 posee, 0 no posee).
Modo = modo que utiliza para realizar el viaje (1 A, 0 TP).

A continuación se elabora una planilla con los datos que se ingresan al programa Eviews, con el
cálculo de las diferencias que entran en el modelo:

Delta_T = diferencia de tiempo de viaje entre TP y A (∆T).
Delta_C = diferencia de costo de viaje entre TP y A (∆C).
Ingreso = igual significado que en planilla anterior (Y).
DC_Y = diferencia de costo de viaje dividida por el ingreso (∆C/Y).
Auto = igual significado que en planilla anterior.
Modo = igual significado que en planilla anterior.




19
Para casos reales, el tamaño de muestra debe estar entre 1000 y 3000 encuestas. Para este tipo de encuestas
no existe un método para la determinación estadística del tamaño de muestra.
39


La estimación de los modelos planteados se muestra en la siguiente planilla. En ella se muestra el
resultado obtenido para cada caso observado mediante las dos variantes del modelo y luego los
parámetros estimados. El parámetro C representa al término independiente a, luego se muestran los
coeficientes de cada una de las variables (b, c, d).

Además del indicador de máxima verosimilitud, Ln L, se calculó un indicador que se denomina
Porcentaje Correctamente Predicho, que se calcula comparando la predicción con los datos reales.
Para ello se supone que si el dato real es 1 y el modelo predice una probabilidad de 0,5 ó mayor la
ENCUESTA DE DIVISION MODAL
Modo: 0 Transp. Púb.
1 Auto
OBS Dist Costo_TP Costo_Auto Tiempo_TP Tiempo_Auto Ingreso Auto Modo
1 25 1.75 12 1.25 0.625 0.80 0 0
2 4 0.75 5.28 0.2 0.1 1.10 1 0
3 12 1.25 7.84 0.6 0.3 0.50 0 0
4 20 1.75 10.4 1 0.5 2.50 1 1
5 48 2.5 19.36 2.4 1.2 3.50 1 1
6 23 1.75 11.36 1.15 0.575 0.70 0 0
7 39 2.5 16.48 1.95 0.975 0.40 1 1
8 7 1.25 6.24 0.35 0.175 0.40 0 0
9 15 1.25 8.8 0.75 0.375 2.00 1 1
10 41 2.5 17.12 2.05 1.025 1.20 0 0
11 3 0.75 4.96 0.15 0.075 1.80 1 0
12 6 1.25 5.92 0.3 0.15 2.70 1 1
13 28 2.5 12.96 1.4 0.7 2.50 1 1
14 44 2.5 18.08 2.2 1.1 1.50 0 1
15 22 1.75 11.04 1.1 0.55 0.50 0 0
16 17 1.75 9.44 0.85 0.425 0.40 0 0
INPUT A PROGRAMA E_VIEWS
Obs Delta_T Delta_C Ingreso DC_Y Auto Modo
1 0.625 -10.25 0.80 -12.81250 0 0
2 0.100 -4.53 1.10 -4.11818 1 0
3 0.300 -6.59 0.50 -13.18000 0 0
4 0.500 -8.65 2.50 -3.46000 1 1
5 1.200 -16.86 3.50 -4.81714 1 1
6 0.575 -9.61 0.70 -13.72857 0 0
7 0.975 -13.98 0.40 -34.95000 1 1
8 0.175 -4.99 0.40 -12.47500 0 0
9 0.375 -7.55 2.00 -3.77500 1 1
10 1.025 -14.62 1.20 -12.18333 0 0
11 0.075 -4.21 1.80 -2.33889 1 0
12 0.150 -4.67 2.70 -1.72963 1 1
13 0.700 -10.46 2.50 -4.18400 1 1
14 1.100 -15.58 1.50 -10.38667 0 1
15 0.550 -9.29 0.50 -18.58000 0 0
16 0.425 -7.69 0.40 -19.22500 0 0
40
predicción es correcta, lo mismo sucede si el dato real es 0 y el modelo predice una probabilidad
menor que 0,5.

Se observa que el modelo denominado Ecuación 2 presenta mejores indicadores que el denominado
Ecuación 1.


En el gráfico también se observa que el ajuste de Ecuación 2 es mejor que el de Ecuación 1.

A continuación se muestran las salidas del programa Eviews.
AJUSTE DEL MODELO
Observado Ecuación 1 Ecuación 2
0 0.45561 0.11092
0 0.22662 0.01760
0 0.19032 0.01417
1 0.58847 0.97929
1 0.94589 0.99967
0 0.38554 0.09956
1 0.22424 0.26667
0 0.13646 0.01688
1 0.46270 0.56423
0 0.80282 0.79397
0 0.24413 0.15677
1 0.31420 0.96754
1 0.73820 0.99889
1 0.86781 0.88186
0 0.25274 0.06051
0 0.16427 0.07146
Porcentaje
Correct.
Predicho 75.0% 87.5%
Ecuación 1 Ecuación 2
C -1.161796 C 9.081511
Delta_t 3.785379 Delta_t 59.91634
DC_Y 0.10787 Delta_c 4.992237
Log Max Ver -8.5388 Ingreso -4.233454
Log Max Ver -4.2335
Gráfico de Ajuste
0
0.2
0.4
0.6
0.8
1
1.2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Observación
P
1
Observado
Ecuac. 1
Ecuac. 2
41

Ecuación 1



Dependent Variable: MODO
Method: ML - Binary Logit
Date: 04/23/03 Time: 16:35
Sample: 1 16
Included observations: 16
Convergence achieved after 4 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C -1.161796 1.181815 -0.983061 0.3256
DELTA_T 3.785379 2.192012 1.726897 0.0842
DC_Y 0.107870 0.080796 1.335101 0.1818
Mean dependent
var
0.437500 S.D. dependent var 0.512348
S.E. of regression 0.470393 Akaike info criterion 1.442354
Sum squared resid 2.876510 Schwarz criterion 1.587215
Log likelihood -8.538834 Hannan-Quinn criter. 1.449772
Restr. log likelihood -10.96503 Avg. log likelihood -0.533677
LR statistic (2 df) 4.852386 McFadden R-squared 0.221266
Probability(LR stat) 0.088373
Obs with Dep=0 9 Total obs 16
Obs with Dep=1 7

-1.0
-0.5
0.0
0.5
1.0
0.0
0.2
0.4
0.6
0.8
1.0
2 4 6 8 10 12 14 16
Residual Actual Fitted
( ) [ ] Y C c T b a
Auto P
/ exp 1
1
) (
∆ ⋅ + ∆ ⋅ + − +
=
42

Ecuación 2


Dependent Variable: MODO
Method: ML - Binary Logit
Date: 04/23/03 Time: 16:30
Sample: 1 16
Included observations: 16
Convergence achieved after 8 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C 9.081511 26.80768 0.338765 0.7348
DELTA_T 59.91634 94.94240 0.631081 0.5280
DELTA_C 4.992237 8.532089 0.585113 0.5585
INGRESO 3.199807 1.727980 1.851761 0.0641
Mean dependent var 0.437500 S.D. dependent var 0.512348
S.E. of regression 0.345188 Akaike info criterion 1.029182
Sum squared resid 1.429860 Schwarz criterion 1.222329
Log likelihood -4.233454 Hannan-Quinn criter. 1.039072
Restr. log likelihood -10.96503 Avg. log likelihood -0.264591
LR statistic (3 df) 13.46315 McFadden R-squared 0.613913
Probability(LR stat) 0.003735
Obs with Dep=0 9 Total obs 16
Obs with Dep=1 7
-1.0
-0.5
0.0
0.5
1.0
0.0
0.2
0.4
0.6
0.8
1.0
2 4 6 8 10 12 14 16
Residual Actual Fitted
( ) [ ] Y d C c T b a
Auto P
⋅ + ∆ ⋅ + ∆ ⋅ + − +
=
exp 1
1
) (
43
Aplicación de Modelos Discretos de División Modal

Los modelos son utilizados como auxiliares en el proceso de toma de decisiones al permitir evaluar
el efecto que tendrán las medidas o cursos de acción que se adopten. Por ende, los resultados de los
modelos deben ser agregados, ya que lo que se persigue con su utilización es la de determinar los
volúmenes de viajes que utilizarán el sistema de transporte.

Los modelos Logit descriptos están basados en el comportamiento individual de los usuarios debido
a que este tipo de modelos requiere de menor cantidad de información y de menor costo de
recolección y que, además, permiten identificar los efectos que tienen las características
socioeconómicas de las personas y los cambios en los atributos de los modos de transporte en el
comportamiento de la demanda de viajes.

A los efectos de utilizar estos modelos en la predicción de la división modal, será necesario
encontrar métodos para transformar la predicción discreta o desagregada en predicción agregada, ya
que los modelos se estiman a partir de una muestra obtenida de una encuesta y luego se aplican a
diversas poblaciones, que pueden o no ser parte de la muestra original.

La figura siguiente muestra esquemáticamente el proceso de desarrollo y aplicación de un modelo
de división modal.


En la etapa de formulación se proponen formas alternativas del modelo, como lo fueron, por
ejemplo, las ecuaciones 1 y 2 anteriores. Estas formas son estimadas y luego se selecciona la
considerada como la que mejor representa la elección de modo, de acuerdo a los criterios explicados
(máxima verosimilitud y porcentaje correctamente predicho). Se supone que este modelo es
aplicable a cualquier individuo o grupo de individuos dentro del área de estudio.

Se utilizan varios procedimientos para la agregación de los resultados obtenidos de los modelos
discretos. A continuación se describen tres de ellos, para un modelo binario.

Método Simple

Este método consiste en reemplazar el valor de las variables explicativas del modelo por el valor
promedio de cada una de las variables futuras.

La aplicación del método simple puede producir errores significativos, dado que los resultados
obtenidos de la introducción de valores promedio de las variables no son iguales a los que se
DESARROLLO Y APLICACIÓN DE MODELOS DISCRETOS DE DIVISION MODAL
Datos de Variables
Personas y Futuras
Modos (1) (2)
Formulación Estimación Procedimiento Predicción
del Modelo Econométrica de Agregada
de Div. Modal del Modelo Predicción de Viajes
(1) Variables explicativas (de política, socioeconómicas, de modo, etc.)
(2) Variables explicativas futuras.
44
obtendrían de aplicar el modelo desagregadamente y luego promediar. Esto se debe a la
característica no lineal del modelo Logit.

La aplicación del método simple se realiza de la siguiente manera:

• Estimar el modelo a partir de una muestra representativa obtenida de una encuesta.
• Para la población o grupo para el que se quiera aplicar el modelo calcular los promedios de
las variables explicativas.
• Aplicar el modelo de la siguiente manera:




Donde:

S(A), S(TP) = participación agregada de los modos A y TP para una determinada población.
Ū
a
, Ū
tp
= valor de las funciones de utilidad de los modos A y TP calculadas con los promedios
de las variables explicativas para la población de interés.

Método de la Estratificación del Mercado

El método de la estratificación del mercado consiste dividir a la población objeto de la proyección
en estratos de características similares, teniendo en cuenta las variables explicativas. Para cada
estrato se realizan predicciones utilizando el método simple y luego se promedia para toda la
población, ponderando por el tamaño del estrato. Este método reduce los márgenes de error del
método simple. Como es lógico, la precisión de este método aumenta con el número de estratos de
mercado. La forma de aplicación es la siguiente:

• Estimar el modelo a partir de la muestra obtenida de la encuesta.
• Subdividir la población en estratos que tengan características relevantes homogéneas.
• Para cada estrato aplicar el método simple.
• Promediar ponderadamente por tamaño de estrato.



Siendo:

P
i
(A) = probabilidad de seleccionar A dentro del estrato i, calculada con los promedios de las
variables explicativas dentro del estrato.
N
i
= tamaño del estrato i.
( ) [ ]
a tp
U U
A S
− − +
=
exp 1
1
) (
) ( 1 ) ( A P TP S − =



=
i
i
i
i i
N
A P N
A S
) (
) (
) ( 1 ) ( A P TP S − =
45

Método de la Enumeración Muestral

El método de la enumeración muestral consiste en subdividir aún más la población, aunque sin
llegar a considerar a toda la población individualmente, dado que generalmente no se cuenta con
información sobre las variables explicativas para todos los individuos. Por ello se recurre a la
obtención de una muestra representativa de la población de interés. Sobre esta muestra se aplica el
modelo individualmente y se promedian ponderadamente los resultados.

Esta muestra puede estar basada en la muestra utilizada en la estimación del modelo, o en muestras
obtenidas en zonas del área de estudio. Para cada muestra se obtiene una predicción de la división
modal distinta. Este método es el más preciso por lo que se recomienda su aplicación.

La forma de aplicación es la siguiente:

• Estimar el modelo a partir de la muestra obtenida de la encuesta.
• Obtener una muestra de la población de interés y aplicar el modelo a cada individuo de esta
muestra.
• Promediar los resultados, según el siguiente procedimiento:




Se debe cumplir que:


Donde:

P
i
(A), P
i
(TP) = probabilidades de que el individuo i seleccione los modos A y TP respectivamente.
N = tamaño de la muestra.
Na = número de usuarios que eligen A.
Ntp = número de usuarios que eligen TP.


N
A P
A S
i
i ∑
=
) (
) (
N
TP P
TP S
i
i ∑
=
) (
) (
Ntp Na N
TP P Ntp
A P Na
N
i
i
N
i
i
+ =
=
=


) (
) (
46
Bibliografía

Introducción al Planeamiento del Transporte, Michael J. Bruton, Ed. Troquel, 1975.

Urban Transportation Planning, US Department of Transportation, Federal Highway
Administration, 1985.

A Self-Instructing Course in Disaggregate Mode Choice Modeling, J. L. Horowitz, F. S.
Koppelman, S. R. Lerman, US Department of Transportation, Urban Mass Transportation
Administration, 1986.

Modelling Transport, J. D. Ortúzar, L. G. Willumsen, Ed. Wiley, 1994

Modelos de Demanda de Transporte, J. D. Ortúzar, Ed. Alfaomega, 2000.